behavior planning——13. implement a cost function in C++
摘要：In the previous quizzes, you designed a cost function to choose a lane when trying to reach a goal in highway driving: cost=1−e−∣Δd∣/Δs Here,
阅读全文
posted @
2018-05-03 11:47
未完代码
阅读(313)
推荐(0) 编辑
behavior planning——12.example cost funtion -lane change penalty
摘要：In the image above, the blue self driving car (bottom left) is trying to get to the goal (gold star). It's currently in the correct lane but the green
阅读全文
posted @
2018-05-03 11:33
未完代码
阅读(289)
推荐(0) 编辑
behavior planning——11 create a cost function speed penalty
摘要：A key part of getting transitions to happen when we want them to is the design of reasonable cost functions. we want to penalize and reward the right
阅读全文
posted @
2018-05-03 10:37
未完代码
阅读(267)
推荐(0) 编辑
behavior planning——10 behaior planning pseudocode
摘要：One way to implement a transition function is by generating rough trajectories for each accessible "next state" and then finding the best. To "find th
阅读全文
posted @
2018-05-03 09:30
未完代码
阅读(307)
推荐(0) 编辑
behavior planning——inputs to transition functions
摘要：the answer is that we have to pass all of the data into transition function except for the previous state.
阅读全文
posted @
2018-05-03 09:24
未完代码
阅读(327)
推荐(0) 编辑
卡尔曼滤波——20.卡尔曼预测
摘要：现在你已经明白如何整合测量， 如何整合运动，完成了一维卡尔曼滤波，不过在现实中我们经常遇到多维的情况。 这就涉及到很多因素，举例，并说明为什么在较多纬度状态空间中估测很重要。 假设你有一个x和y的二维空间-比如一幅摄像头图像，或者在我们的例子中 我们可能采用一辆载有雷达的汽车来检测 车辆随着时间变化
阅读全文
posted @
2018-05-03 08:59
未完代码
阅读(5872)
推荐(0) 编辑
卡尔曼滤波——19.卡尔曼滤波器代码
摘要：我们写一个主程序，包括两个函数更新函数和预测函数，然后导入一系列测量和运动数据。 如果初始估计是5，非常好，但我们将其设置为mu=0，且不确定性非常高为sig=10000. 我们假设测量不确定性为常量4，运动不确定性为2. 运动时 你的第一次位置估计应该是4.9.原因在于初始不确定性高，第一次测量值
阅读全文
posted @
2018-05-03 08:36
未完代码
阅读(1817)
推荐(0) 编辑
卡尔曼滤波——18.预测函数
摘要：根据我们的当前的估计和他的方差（mean1,bar1），以及运动及其不确定性(mean2,var2)，然后计算更新后的预测、平均数和方差
阅读全文
posted @
2018-05-02 17:49
未完代码
阅读(506)
推荐(0) 编辑
卡尔曼滤波——14.—15分离的高斯分布
摘要：假设我们有一个先验概率在坐标的起始处，然后有一个测量概率离他比较远，然后他们有同样的方差。 请问新的平均值在哪？ 答案是在正中间，因为这两个方差是一样的. 下面的问题比较难。 上面蓝色 红色 绿色 那个是更新后的方差？ 答案是更加陡峭的绿色心线
阅读全文
posted @
2018-05-02 17:10
未完代码
阅读(287)
推荐(0) 编辑
卡尔曼滤波——12.参数更新
摘要：假设我们把两个高斯函数相乘就像贝叶斯定理那样，一个先验概率，一个测量值的概率。 先验概率的平均值是mu,方差是omiga的平方，测量值的平均值是nu,方差是r的平方。 新的平均值和旧的平均值加权平均，mu给予权重r^2, nu给予权重omiga^2 。然后用权重因子归一化。 新的方差项omiga^2
阅读全文
posted @
2018-05-02 16:57
未完代码
阅读(621)
推荐(0) 编辑
卡尔曼滤波——11.预测峰值
摘要：这个问题真的很难，当我们画新的高斯函数的时候，我们可以画一个非常宽的函数，或者非常尖的函数，如果我们要测量新的高斯函数的峰值在哪，最上面的红线，这会是一个非常窄和廋的高斯函数。中间的红线，这个宽度在两个高斯函数之间的高斯函数。下面的红线，这会是比原来的高斯函数还要宽的高斯函数。你觉得哪一个是在将两个
阅读全文
posted @
2018-05-02 16:34
未完代码
阅读(355)
推荐(0) 编辑
卡尔曼滤波——10.均值漂移
摘要：在卡尔曼滤波器中我们重复测量和运动两个过程，这通常被称为测量跟新，这被称为预测值。 在这个过程中我们使用贝叶斯定理就是一个乘法，在这个更新里我们使用全概率定理，就是一个卷积，或是一个加法。 让我们来谈谈测量循环 使用高斯函数来实现这些步骤。 假设你在定位另一辆车，然后有这样一个先验分布，这是一个非常
阅读全文
posted @
2018-05-02 16:19
未完代码
阅读(605)
推荐(0) 编辑
第三期 搜索——8 最优路径程序
摘要：现在最大的问题是，我们编写一个找到起点到终点的最短路径的程序？要做到这一点，我们先给单元格命名， 我们有6列 命名为0到5和5行 从0到4.我的思路是保存一个想要进一步調查的列表，或者在搜索中我们称其为展开，让我们把这个列表称作open. 一开始我们的列表上只有一个位于【0,0】上的状态，我的初始状
阅读全文
posted @
2018-04-26 07:24
未完代码
阅读(309)
推荐(0) 编辑
第三期 搜索——6-7.迷宫
摘要：让我们来看一个迷宫的例子，这不在是一个车了，但这和我们将要进行的编程更接近。 假设我们从start开始，我们的目的是到达goal,沿途有很多封住的格子。机器人可以向上，下，左， 右移动，机器人从起点到终点需要多少步？ 假设我们将路径规划问题看作是搜索问题，如果你有学习过我们的AI课程，就知道这是什么
阅读全文
posted @
2018-04-25 16:57
未完代码
阅读(148)
推荐(0) 编辑
第三期 搜索——2 计算代价1—— 计算代价2
摘要：假设我们活在一个离散的世界中，这是我们将要编程的世界， 为了简单起见我们假设世界是分割小网格的，我们的初始位置在蓝色 方格处，向上运动，小箭头表示它的朝向。 我们希望车辆从起点出发走到终点，每移动一格或执行一次转向，要 花费一个单位的成本。那么从起点到终点需要承担的最小总成本是多少？ 需要移动6个网
阅读全文
posted @
2018-04-25 16:18
未完代码
阅读(241)
推荐(0) 编辑
第三期 第三期 搜索——1.运动规划（motion_planing）
摘要：运动规划的根本问题在于机器人可能存在于一个这样的世界中， 它可能想找到一条到达这个目标的路径，那么就需要指定一个到达那里的计划， 自动驾驶汽车也会遇到这个问题。他可能处于高速公路的附近的街道网络中，他必须要找到他的路径并导航到目标位置。 如果我们放大并且看看这个十字路口，这是我们渲染出来的最好的街道
阅读全文
posted @
2018-04-25 15:54
未完代码
阅读(274)
推荐(0) 编辑
卡尔曼滤波器简介——8测量和移动1 ——9测量和移动2
摘要：测量循环和运动循环，卡尔曼滤波有两种不同的过程，测量值更新和运动值更新。 这和定位的情景一样，我们获得一个测量值，然后开始运动。这里最大值变化，但是原理 仍然相同。 两个步骤中测量值和运动值，一个需要做卷积，一个需要做乘法。 测量值使用乘法得到，运动值使用卷积得到。 事实上我们谈到了贝叶斯定理，也谈
阅读全文
posted @
2018-04-25 09:13
未完代码
阅读(290)
推荐(0) 编辑
卡尔曼滤波器简介——7最大化高斯分布
摘要：已知高斯分布公式 求最大的f(x)? 当 x的值等于mu的值时，f(x)最大。
阅读全文
posted @
2018-04-25 08:36
未完代码
阅读(225)
推荐(0) 编辑
